对于希望尝试大模型训练的同学来说，从 LLaMA-Factory 入手是一个非常不错的选择！在实际工作中，也经常用到 LLaMA-Factory 进行模型训练。

在这篇文章中，我将带你系统梳理 LlamaIndex 的框架入门介绍、RAG全生命周期能力，以及那些在真实项目中能显著拉开效果差距的“黑科技”～

本文将用通俗的语言、贴近场景的案例，拆解 AI Agent 必备的八大核心概念，帮你快速建立知识框架，文末还附实用学习资源，建议收藏备用！

大模型时代AI智能体发展研究报告（2026）

本文专为程序员量身打造，梳理了从细分方向选择、知识体系搭建到实战落地、求职转型的完整路径，新增超多实操技巧与避坑细节，建议收藏反复研读，助力你高效突破转型瓶颈，平稳跻身大模型领域！

本文整理了程序员转型大模型的六大核心方向，涵盖技术研发、工程落地、产品设计三大维度，包括NLP工程师、计算机视觉工程师、大模型算法工程师、大模型部署工程师、大模型产品经理五大岗位（原文笔误补充说明），详细拆解各方向的发展前景与技能要求，助力程序员结合自身优势精准发力，顺利开启大模型领域职业新赛道。

最近一个月我一直在折腾本地跑大模型。起因是好奇：半年前试过一次，体验很差，现在怎么样了？

我以前觉得，ASR工程师的核心能力是"把识别率从92%调到93%"。现在我觉得，核心能力是"知道识别出来的文字在业务场景里意味着什么"。Whisper把"说了什么"这件事做到了极致。但"说了什么之后呢"——理解意图、提取关键信息、判断情绪、生成纪要——这些才是语音技术真正的价值所在。三年ASR，真正的价值不在于训练模型，在于你知道"说话"这件事在每个业务场景下意味着什么。如果你也在做语音识别，也在

大家都觉得AI帮不了珠宝销售这种"看人下菜碟"的活儿——毕竟卖钻戒靠的是嘴、眼、手感，不是代码。

DO-RAG 采用创新的Agentic CoT架构，从多模态文档中提取结构化关系，构建动态知识图谱以提升检索精度。